Backtesting.py中trade_on_close参数对订单执行价格的影响分析
2025-06-03 03:07:23作者:何将鹤
问题背景
在使用Backtesting.py进行策略回测时,trade_on_close参数控制着订单执行价格的选择。当设置为True时,理论上所有交易都应在当日收盘价执行;当设置为False时,则使用次日开盘价执行。然而,在某些版本中存在一个关键问题:即使trade_on_close=True,平仓订单仍可能错误地使用了次日开盘价而非当日收盘价。
技术细节解析
订单执行机制
Backtesting.py的订单执行机制分为两种模式:
-
trade_on_close=False模式:
- 买入订单:使用信号生成后次日的开盘价
- 卖出订单:同样使用次日的开盘价
- 这种模式下所有价格保持一致
-
trade_on_close=True模式:
- 买入订单:使用信号生成当日的收盘价(符合预期)
- 卖出订单:在某些版本中错误地使用了次日的开盘价(不符合预期)
- 导致买入和卖出价格基准不一致
价格处理的影响
这个问题在使用处理后的价格时尤为明显。常见场景是:
- 用户只对收盘价进行了处理(如除权除息处理)
- 开盘价、最高价、最低价保持原始未处理状态
- 当买入使用处理后收盘价而卖出使用未处理开盘价时,会导致回测结果失真
问题影响
这个bug会导致以下严重后果:
- 回测结果失真:由于买卖价格基准不一致,策略表现会被错误放大或缩小
- 策略评估偏差:Sharpe比率、最大回撤等关键指标计算不准确
- 前后版本不一致:不同版本的Backtesting.py可能产生截然不同的回测结果
解决方案
该问题已在Backtesting.py v0.6.2版本中修复。更新后:
- 当trade_on_close=True时,所有订单(包括平仓订单)都严格使用当日收盘价执行
- 确保了买卖价格基准的一致性
- 回测结果更加准确可靠
最佳实践建议
- 版本控制:确保使用最新稳定版本的Backtesting.py
- 价格一致性:如果使用处理后的价格,应对所有价格字段(Open/High/Low/Close)进行统一处理
- 结果验证:对于关键策略,建议在不同版本和参数设置下进行交叉验证
- 参数明确:明确记录回测时使用的trade_on_close参数值
总结
Backtesting.py中的trade_on_close参数对回测结果有着重要影响。理解其工作机制并确保正确使用,是获得可靠回测结果的关键。开发者应及时更新到修复版本,并在使用处理后的价格时保持各价格字段的一致性,这样才能确保策略评估的准确性和可比性。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146